【摘要】：目的:探討NeuViz 128CT人工智能(AI)成像優(yōu)化技術(shù)對“雙低”(低電壓、低對比劑用量)冠脈血管成像(CCTA)圖像質(zhì)量的影響。方法:前瞻性連續(xù)納入2018年5月至6月在北京協(xié)和醫(yī)院行前瞻性門控CCTA檢查的60例臨床診斷或擬診斷冠心病患者,簡單隨機(jī)分為A、B兩組,每組30例。管電壓80 kVp為A組,對比劑用量為0.7 mL/kg;管電壓120 kVp為B組,對比劑用量為70 mL。根據(jù)重建方式的不同,將A組又分為A1與A2兩個亞組,A1組圖像采用迭代算法重建,A2組采用AI成像優(yōu)化技術(shù)優(yōu)化迭代算法。B組采用迭代算法重建圖像。分別以三組主動脈根部(Ao)、左冠狀動脈主干(LM)、左前降支近段(LAD)、左回旋支近段(LCX)及右冠狀動脈近段(RCA)感興趣區(qū)(ROI)的平均CT值及噪聲值(SD),計(jì)算信噪比(SNR)及對比噪聲比(CNR)作為圖像質(zhì)量客觀評價指標(biāo)。主觀評價由2名高年資放射科醫(yī)生采用雙盲法對冠狀動脈分支及節(jié)段水平的圖像質(zhì)量進(jìn)行4分制評價(1分-優(yōu)秀,4分-極差)。記錄和比較A組與B組的對比劑用量和輻射劑量(CTDIvol,DLP和ED)。結(jié)果:三組比較圖像客觀評價指標(biāo)結(jié)果為:在Ao處,三組的噪聲按A1組,B組及A2組的順序依次降低(all P0.001),SNR及CNR按A1組,B組及A2組的順序依次升高(all P0.001);在冠脈分支LM,LAD,LCX及RCA處,A1組噪聲高于A2組和B組(all P0.001),SNR及CNR低于A2組和B組(allP0.05);A2組與B組在冠脈各分支血管噪聲和SNR均無統(tǒng)計(jì)學(xué)差異(allP0.05),但A2組CNR高于B組(all P≤0.001)。對冠脈節(jié)段主觀評分結(jié)果為A2組和B組均優(yōu)于A1組(P= 0.002,0.038),且A2組與B組相比無統(tǒng)計(jì)學(xué)差異(P= 0.543)。A組輻射劑量指標(biāo)CTDIvol,DLP及ED均低于B組(allP0.001),且ED降低達(dá)70.36%。同時,對比劑用量A組較B組降低37.11%。結(jié)論:與常規(guī)掃描相比,AI成像優(yōu)化技術(shù)優(yōu)化后的低劑量CCTA圖像,不僅有效地降低了輻射劑量和對比劑用量,同時也保證了 CCTA的主客觀圖像質(zhì)量及診斷可判讀性。
【學(xué)位授予單位】：北京協(xié)和醫(yī)學(xué)院
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：R816.2;R541.4
【圖文】：

邐逡逑：：ｆｅ．邋＾邐．‘．邐Ｉ邋＇邋＂邋：邋－＼＾＾，ｒ＝邋Ｉ邋＇逡逑�。垮澹孢姡睿驽�？邋奪？邋咯邋９邋妒會ｊ逡逑■ｉ邋■邐？吃‘邐彳邐ｎ＇Ｈ邐２Ｄ邐ＭＰＳ邐．？＞邐Ｖ（邐Ｏｅｍａ邐ＶＡ邋Ｃｏｉｏｒｗｙ－邋｜逡逑５邐１０ＱＱ３邐２５８邐ＯｐｔｉｍｔｆｅＯ－ｉ＇Ｓ邐７５＾０％，邐■＿逡逑＝；邐，邐｜；丨p壕礤�？邋⑶}9族ｉ邋ｓ；：？邋Ｊ逡逑Ｈ；邐；邐：邐0Ａ邋ＣＨ、、Ａ邋ｅ，．，Ｍ邐—邐：＿逡逑…＾＾一＿＾＾邋＾邋ａ邐§逡逑圖１東軟醫(yī)療ＡＶＷ１．０．８專業(yè)工作站逡逑

掃描結(jié)束后，將ＣＣＴＡ原始軸位圖像傳至東軟醫(yī)療ＡＶＷ１．０．８專業(yè)工作站進(jìn)行逡逑圖像后處理，同時對Ａ１組６０％邋ＣｌｅａｒＶｉｅｗ＋迭代重建圖像在ＡＩ成像優(yōu)化技術(shù)平臺逡逑上進(jìn)行圖像優(yōu)化得到Ａ２組圖像（圖１、２）。該平臺以２０００幅低劑量高噪聲的ＣＣＴＡ逡逑圖像作為訓(xùn)練數(shù)據(jù)輸入以及對應(yīng)的相同組織結(jié)構(gòu)的常規(guī)劑量優(yōu)質(zhì)圖像質(zhì)量的ＣＣＴＡ逡逑圖像作為訓(xùn)練目標(biāo)，基于深層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法得到定制化的最佳噪聲模逡逑型。將待優(yōu)化目標(biāo)圖像即Ａ１組圖像，通過此定制化噪聲模型即可精確地將噪聲與逡逑圖像的分離，得到優(yōu)化后Ａ２組圖像（圖３邋）。此過程中應(yīng)用生成對抗網(wǎng)絡(luò)（Ｇｅｎｅｒａｔｉｖｅ逡逑Ａｄｖｅｒｓａｒｉａｌ邋Ｎｅｔｗｏｒｋｓ，ＧＡＮ）及損失函數(shù)評價模型的預(yù)測值與真實(shí)值的不一致程度，逡逑從而選取最優(yōu)化模型。ＧＡＮ是一種具有特定網(wǎng)絡(luò)結(jié)構(gòu)的ＣＮＮ，它包含兩個ＣＮＮ，逡逑一個叫做生成網(wǎng)絡(luò)Ｇ邋（ＧｅｎｅｒａｔｉｖｅＮｅｔｗｏｒｋ），另一個叫做判別網(wǎng)絡(luò)Ｄ邋（Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ逡逑Ｎｅｔｗｏｒｋ），在我們的Ｃ１Ｍ氐齊用中，Ｇ網(wǎng)會各的作用是輔Ｉ人一（］１uP低齊Ｕ１：噪聲圖ｊ象逡逑ｉｍｇｌ

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李峗鐸;宮恩浩;李睿;苑純;;深度學(xué)習(xí)技術(shù)與醫(yī)學(xué)影像——現(xiàn)狀及未來[J];中華放射學(xué)雜志;2018年05期

2 盧艷;吳偉峰;韓宏舟;呂曉玲;楊舟鑫;馮越;;第三代雙源CT前瞻性心電門控在高心率冠狀動脈成像中的臨床應(yīng)用[J];浙江臨床醫(yī)學(xué);2018年01期

3 湯振華;;迭代重建算法在雙源CT三低方案冠狀動脈血管成像中的應(yīng)用價值[J];中華放射醫(yī)學(xué)與防護(hù)雜志;2017年03期

4 馬靜;趙雄;杜向東;方佳;吳英;宋法亮;鄭玉潔;;基于動態(tài)容積CT前瞻性心電門控對快心率冠狀動脈CTA的觀察[J];實(shí)用放射學(xué)雜志;2016年04期

5 盧光明;劉士遠(yuǎn);伍建林;張龍江;;心血管CT成像輻射劑量優(yōu)化中國專家共識[J];中華醫(yī)學(xué)雜志;2016年07期

6 梁奕;杜柏林;汪漢林;李貞;石敏;周杰;;低濃度對比劑聯(lián)合低電壓和迭代重建算法在320排CT冠狀動脈成像中的應(yīng)用[J];實(shí)用放射學(xué)雜志;2016年01期

7 張衛(wèi)國;馬怡塵;劉敏;蔣濤;;CARE-kV技術(shù)在下肢動脈CTA中的應(yīng)用[J];放射學(xué)實(shí)踐;2015年11期

8 李晶;商慧蘭;續(xù)晉銘;周萍;滕美珠;楊洋;沈善忠;;CARE Dose4D調(diào)控模式在128層MSCT冠狀動脈個體化掃描的分析[J];醫(yī)學(xué)影像學(xué)雜志;2015年09期

9 白偉;陳自謙;謝柏u&;周秀梅;閆鳳林;高興峰;張杰;;雙源CT前瞻性與回顧性冠脈成像輻射劑量的對比研究[J];功能與分子醫(yī)學(xué)影像學(xué)(電子版);2015年03期

10 潘曉龍;韓丹;鄧亞敏;段慧;張正華;趙衛(wèi);;低管電流結(jié)合迭代重建雙源雙能量冠狀動脈CT血管成像降低輻射劑量的可行性[J];中國醫(yī)學(xué)影像學(xué)雜志;2015年04期

本文編號：2717100